Utafiti huu unatengeneza mfumo wa udhibiti unaotegemea fuzzy inference ili kusimamia maabara za utafiti na maeneo ya uzalishaji unaonyumbulika ya teknolojia parki ya chuo kikuu chini ya usanifu mmoja wa otomatiki. Fuzzy Inference System (FIS) ni mfumo wa uhitimishaji unaotathmini viingizo vingi kama hali ya kimuundo, hali ya nishati, usahihi wa vipimo na hali ya udhibiti kupitia fuzzy membership functions na kanuni zilizofafanuliwa na wataalamu, na hivyo kuzalisha maamuzi ya udhibiti ya aina ya “chakata”, “rekebisha”, “chakata upya” au “simamisha”. Utafiti unategemea uundaji wa mifano ya kihisabati na majaribio ya uigaji wa kompyuta; si utekelezaji wa muda mrefu wa uwanjani katika teknolojia parki halisi.

Usanifu uliopendekezwa una tabaka nne za kihierarkia: kiwango cha sensa, kiwango cha uchakataji wa data, kiwango cha maamuzi na kiwango cha utekelezaji. Maabara ya utafiti, mfumo wa uzalishaji unaonyumbulika, crane-manipulator, mashine za CNC, mfumo mdogo wa vipimo na mfumo wa usafirishaji huunganishwa kwenye muundo uleule wa usimamizi. Data za sensa zenye aina tofauti hufanywa zisizo na kipimo kwa normalisasi ya min–max; kigezo cha hali ya fuzzy kinachoeleza hali ya uzalishaji huundwa kutoka kwa vigezo kama mzigo wa moduli, muda wa uchakataji wa kazi na ubora wa kazi.

Katika mfano wa hesabu ya FIS uliotolewa katika chanzo, viwango vya uanachama vya kitaalamu vinavyohusiana na viingizo vya kimuundo, nishati, vipimo na udhibiti vimeunganishwa kwa kanuni; matokeo ya defuzzification kwa kutumia mbinu ya kitovu cha uzito yalitoa y* ≈ 0,405. Kwa kuwa thamani hii iko katika eneo la kati la maamuzi, mfumo hutoa uamuzi kuelekea “adjust/reprocess”, yaani kurekebisha au kuchakata upya.

Katika matokeo ya uigaji, ikilinganishwa na mbinu ya jadi ya udhibiti wa deterministic, iliripotiwa kupungua kwa takribani %19 katika muda wa wastani wa kuchakata maamuzi ya usimamizi, takribani %27 katika uwezekano wa hitilafu ya mchakato, takribani %19 katika sababu ya mzigo kupita kiasi wa moduli na takribani %33 katika muda wa kujibu hali zisizo za kawaida; pamoja na ongezeko la takribani %23 katika usahihi wa kutathmini hali ya uzalishaji na takribani %17 katika ufanisi wa jumla wa uendeshaji. Thamani hizi ni matokeo ya uigaji na hazipaswi kufasiriwa kama viwango vya utendaji vilivyothibitishwa katika mazingira halisi ya viwanda.

Fuzzy Inference System katika Teknolojia Parki Hufanyaje Uamuzi wa Udhibiti?

Fuzzy Inference System katika utafiti hubadilisha hali ya kimuundo ya kipande cha kazi, hali ya nishati ya mashine, kuaminika kwa data ya vipimo na taarifa ya mzigo/hali ya mfumo wa udhibiti kuwa viwango vya fuzzy membership; huamilisha kanuni za kitaalamu, huunganisha matokeo ya kanuni zilizoamilishwa na kutumia kitovu cha uzito kutoa tokeo moja la nambari, hivyo kuamua mfumo unapaswa kuelekea uamuzi gani kati ya kuchakata, kurekebisha, kuchakata upya au kusimamisha.

Tatizo la utafiti

Katika teknolojia parki, maabara za utafiti, utengenezaji wa prototipu, mashine za uzalishaji, roboti, mifumo ya vipimo na udhibiti wa ubora wa bidhaa mara nyingi ni michakato inayohusiana. Hoja ya kuanzia ya utafiti wa chanzo ni kwamba kusimamia vipengele hivi kwa mifumo ya udhibiti iliyotengana kunaweza kusababisha kuchelewa kwa maamuzi, kupungua kwa unyumbufu wa uzalishaji na matatizo ya uratibu chini ya kutokuwa na uhakika.

Suluhisho lililopendekezwa ni kuunganisha shughuli za utafiti na uzalishaji chini ya usanifu uleule wa udhibiti wa kimahesabu, na hivyo kuunda mnyororo endelevu wa usimamizi unaoanzia kwenye vipimo hadi uzalishaji wa maamuzi na hatua ya udhibiti wa kimwili.

Mifumo midogo mitatu mikuu katika usanifu wa teknolojia parki

Usanifu wa otomatiki wa viwango vinne

Uwakilishi wa kihisabati wa mtiririko wa kazi

Mlinganyo (1):

\[ \vartheta_i(t)=\sum_{k=1}^{m}\vartheta_{ik}(t) \]

Hapa, \(\vartheta_i(t)\) huwakilisha kiwango cha jumla cha mtiririko wa kazi katika kiwango cha i; huku \(\vartheta_{ik}(t)\) ikiwakilisha kiwango cha mtiririko mmoja wa k. Chanzo kinaeleza kwamba mitiririko hii inajumuisha majaribio ya kisayansi, utengenezaji wa prototipu, shughuli za uzalishaji, mifumo midogo ya vipimo, vitengo vya utekelezaji na kazi za udhibiti.

Vipaumbele vya mtiririko si vya kudumu. Utafiti unapendekeza ugawaji upya wa rasilimali kwa namna inayobadilika kulingana na hali kama umuhimu wa kazi, uharaka wa muda, matumizi ya rasilimali, mzigo wa moduli na upatikanaji wa vifaa.

Normalisasi ya data za sensa zenye aina tofauti

Mlinganyo (2):

\[ \tilde{x}_{ij}= \frac{x_{ij}-x_{ij}^{min}} {x_{ij}^{max}-x_{ij}^{min}} \]

\(x_{ij}\) ni kigezo cha j cha kipimo cha kitu O_i. \(x_{ij}^{min}\) na \(x_{ij}^{max}\) zinaonyesha thamani za chini na juu zinazokubalika. Ubadilishaji huu wa min–max huleta thamani za sensa zenye vipimo na mizani tofauti za kimwili kwenye mizani moja ya pamoja isiyo na kipimo.

Hatua hii ni muhimu kwa sababu ikiwa halijoto, nafasi, kasi, mzigo au vipimo vingine vitaingizwa moja kwa moja kwenye FIS kana kwamba ni ukubwa unaofanana, mizani ya vigezo inaweza kuathiri mchakato wa uhitimishaji.

Viashiria vikuu vya ufanisi wa udhibiti

Mlinganyo (3) — jumla ya mzigo wa vipimo:

\[ M_{com}=\sum_{i=1}^{n}O_i m_i \]

Mlinganyo (4) — muda wa wastani uliopimwa kwa uzito wa kuchakata kazi:

\[ \bar{T}= \frac{\sum_{i=1}^{n}O_i m_i t_i} {\sum_{i=1}^{n}O_i m_i} \]

Mlinganyo (5) — sababu ya mzigo wa moduli:

\[ \rho_i=\frac{\vartheta_i}{\mu_i} \]

Hapa, \(\mu_i\) huwakilisha uwezo wa uchakataji wa moduli, \(t_i\) muda wa kuchakata kipimo kimoja na \(\rho_i\) uhusiano wa mzigo kati ya mtiririko wa kazi unaohitajika na uwezo. Kadiri \(\rho_i\) inavyoongezeka, ndivyo inavyoeleweka kuwa moduli imebebeshwa zaidi ikilinganishwa na uwezo wake.

Kigezo cha hali ya mfumo wa fuzzy

Mlinganyo (6):

\[ S_i=f(\rho_i,T_i^{avg},Q_i) \]

Usemi huu unaunganisha sababu ya mzigo wa moduli, muda wa wastani wa kuchakata kazi na ubora wa utekelezaji wa kazi katika ufafanuzi mmoja wa hali ya fuzzy. Katika chanzo, thamani za S_i hugawanywa katika makundi ya kiisimu kama mzigo mdogo, wa kawaida, mkubwa na wa kiwango muhimu.

Vizingiti si viwango thabiti vya ulimwengu wote. Hurekebishwa kulingana na sifa za vifaa, uwezo na mahitaji ya kiteknolojia ya senario ya mkusanyiko wa kimitambo inayochunguzwa; vinahitaji kusanidiwa upya vinapohamishiwa kwenye mfumo mwingine wa uzalishaji.

Njia ya uzalishaji ya mkusanyiko wa kimitambo

Figure 1 ya chanzo inaonyesha mpangilio wa pande tatu wa FMS ya mkusanyiko wa kimitambo; Figure 2 inaonyesha mlolongo huu wa uzalishaji. Jukumu la kisayansi la michoro hii miwili ni kuunganisha mpangilio wa kimwili wa vifaa na mlolongo wa udhibiti wa shughuli za uzalishaji.

Viingizo na matokeo ya FIS

Modeli hutumia vigezo vinne vikuu vya kuingiza:

• x₁: hali ya kimuundo ya kipande cha kazi — jiometri na kasoro,
• x₂: hali ya nishati — uthabiti wa usambazaji wa nguvu,
• x₃: hali ya taarifa/vipimo — usahihi wa data za vipimo,
• x₄: hali ya udhibiti — upangaji wa ratiba na upakiaji.

Kuna matokeo mawili makuu: y₁ huonyesha uamuzi wa mfumo wa kuchakata/kurekebisha/kuchakata upya/kusimamisha, huku y₂ ikionyesha hatari ndogo/ya kati/kubwa ya hitilafu katika hatua ya sasa.

Trapezoidal membership function

Mlinganyo (7):

\[ \mu_A(x_i)= \begin{cases} 0, & x_i\le a\\ \dfrac{x_i-a}{b-a}, & a\le x_i\le b\\ 1, & b\le x_i\le c\\ \dfrac{d-x_i}{d-c}, & c\le x_i\le d\\ 0, & x_i\ge d \end{cases} \]

\(a,b,c,d\) hufafanua mipaka ya trapezoidal membership kwa kila istilahi ya hali ya fuzzy. Chanzo kinaeleza kuwa mipaka hii imeamuliwa kwa maarifa ya wataalamu, sifa za uendeshaji wa vifaa, masafa ya kazi yanayokubalika na uchunguzi unaotegemea uigaji.

Kanuni za fuzzy zilizotumiwa katika chanzo

Kanuni ya kwanza huenda kwenye matokeo ya “process / hatari ndogo” wakati kasoro ndogo ya kimuundo, nishati thabiti, ubora wa juu wa vipimo na hali bora ya udhibiti vinapatikana pamoja. Kanuni ya pili huzalisha “adjust / hatari ya kati” katika kasoro ya kati au mabadiliko ya nishati. Kanuni ya tatu hutoa uamuzi kuelekea “stop / hatari kubwa” ikiwa mojawapo ya kasoro kubwa, hitilafu ya nishati, ubora mdogo wa vipimo au mgongano wa udhibiti hutokea. Kanuni ya nne huoanisha kasoro ya kati, nishati thabiti na ubora wa kati wa vipimo na “reprocess / hatari ya kati”.

Uamilishaji wa kanuni

Mlinganyo (8):

\[ \alpha_i= \min\{ \mu_{x_1}(x_1), \mu_{x_2}(x_2), \mu_{x_3}(x_3), \mu_{x_4}(x_4) \} \]

Katika masharti yaliyounganishwa kwa AND, kiwango cha chini kabisa cha uanachama huweka kikomo kwa kiwango cha uamilishaji wa kanuni. Katika kanuni za chanzo zenye OR, operesheni ya maksimum hutumiwa kati ya thamani husika za uanachama.

Kuunganisha kanuni

Mlinganyo (9):

\[ \mu_{y_1}(y)=\max_i\{\alpha_i\cdot\mu_{y_i}(y)\} \]

Hatua hii hubadilisha maeneo ya matokeo yaliyopendekezwa na kanuni tofauti kuwa fuzzy output function moja ya pamoja.

Defuzzification

Mlinganyo (10):

\[ y^*= \frac{\int y\,\mu(y)\,dy} {\int \mu(y)\,dy} \]

Utafiti hutumia mbinu ya kitovu cha uzito ili kutoa uamuzi mmoja wa nambari kutoka kwenye matokeo ya fuzzy yaliyounganishwa. Waandishi walichagua mbinu hii kwa sababu ya uthabiti na urahisi wa kutafsiri katika matumizi ya udhibiti endelevu.

Mfano wa nambari wa FIS

Katika mfano wa chanzo, α₁ = 0,8; α₂ = 0,45; α₃ = 0,2 na α₄ = 0,45 hupatikana. Kanuni zinapounganishwa na Mlinganyo (10) kutumika, y* ≈ 0,405 hupatikana. Katika Figure 5, centroid hii huangukia eneo la kati la maamuzi na modeli inapendekeza kurekebisha/kuchakata upya.

Ugawaji upya wa rasilimali kwa kuzingatia mzigo na muda

Chanzo kinapendekeza kwamba S_i inapozidi kizingiti muhimu, baadhi ya kazi zielekezwe kwenye moduli zenye mzigo mdogo zaidi.

Mlinganyo (11):

\[ \min\sum_{i=1}^{n} \left( T_i^{avg}+\alpha\rho_i \right) \]

\(\alpha\) ni koefisienti inayobainisha usawazishaji wa kipaumbele kati ya kupunguza muda wa uchakataji na kupunguza mzigo wa moduli. Lengo si kuchagua tu moduli yenye kasi zaidi, bali kufanya uboreshaji wa pamoja kati ya muda wa uchakataji na upakiaji kupita kiasi.

Je, Mfumo wa Fuzzy katika Utafiti Huu ni Modeli ya Akili Bandia Iliyofunzwa kwa Data?

Hapana; FIS katika utafiti huu si modeli ya machine learning iliyoboreshwa kwa seti za mafunzo/uthibitishaji wa data/majaribio. Mipaka ya membership function na rule base imekalibishwa kwa maarifa ya wataalamu, sifa za vifaa na uchunguzi wa uigaji; neuro-fuzzy learning, reinforcement learning, data mining na urekebishaji wa kiotomatiki wa membership function zinapendekezwa kama mwelekeo wa utafiti wa baadaye.

Mzunguko wa maisha wa bidhaa ya startup

Utafiti unaainisha tokeo kuu la teknolojia parki katika muktadha wa mradi wa startup katika hatua tano: uundaji wa dhana ya wazo/seed, utekelezaji wa seed, maendeleo na uboreshaji, ukuaji na kuongeza kiwango, na hatimaye udhibiti wa ubora na uthibitishaji uliounganishwa.

Hatua ya mwisho ni sehemu ya mpito kutoka uthibitishaji wa maabara kwenda uzalishaji wa viwandani. Mojawapo ya kazi kuu za usanifu wa otomatiki uliopendekezwa ni kuunganisha vipimo vya maabara katika mpito huu na ubora pamoja na uchunguzi wa vifaa kwenye njia ya uzalishaji ndani ya mnyororo uleule wa usimamizi.

Muundo wa usimamizi wa hatua mbili

Hatua I — Uthibitishaji wa utendaji katika kiwango cha maabara: uwezo wa kufanya kazi wa mifumo midogo ya kimitambo, transmitters za vipimo vya nafasi/kasi/halijoto, actuators za motor/valve/pneumatic au umeme, PLC na microcontrollers, vyanzo vya nguvu na interfaces za mawasiliano kama CAN/UART/I2C/Ethernet hutathminiwa.

Hatua II — Udhibiti wa ubora na uchunguzi katika kiwango cha uzalishaji: ubora wa bidhaa, roboti za viwandani, manipulators, vipengele vya usafirishaji wa kiotomatiki na vifaa vya electromechanical hufuatiliwa; lengo ni kufanya tathmini ya kutabiri kwa uchakavu wa vifaa na anomalies za uendeshaji.

Modeli ya sensa

Mlinganyo (12):

\[ S(t)=G_sx(t)+\varepsilon_s(t) \]

\(S(t)\) huwakilisha ishara ya sensa iliyopimwa, \(x(t)\) kigezo halisi cha kimwili, \(G_s\) gain ya sensa na \(\varepsilon_s(t)\) kosa la stochastic la kipimo. Chanzo kinaeleza kwamba chini ya hali za kawaida, neno la kosa linaweza kuchukuliwa kuwa na wastani wa sifuri na kuwa takribani Gaussian, lakini muundo wa maamuzi wa FIS hautegemei kwa uthabiti mkubwa hitilafu za kiwango cha kati zisizo Gaussian.

Dynamics ya actuator

Mlinganyo (13):

\[ M\ddot{y}(t)+B\dot{y}(t)+Ky(t)=F(t) \]

\(y(t)\) huwakilisha displacement ya actuator, \(M\) uzito unaofanya kazi, \(B\) koefisienti ya damping, \(K\) ugumu na \(F(t)\) nguvu ya udhibiti iliyotumika. Mlinganyo unawakilisha mwitikio wa kimitambo wa kipengele cha mechatronic kwa amri ya udhibiti kama mfumo wa dynamics wa daraja la pili.

Udhibiti wa feedback wa PID

Mlinganyo (14):

\[ e(t)=x_r(t)-x(t) \]

Mlinganyo (15):

\[ u(t)= K_pe(t) + K_i\int_0^t e(\tau)d\tau + K_d\frac{de(t)}{dt} \]

\(x_r(t)\) huwakilisha trajectory ya rejea; \(e(t)\) kosa la kufuatilia; na \(K_p\), \(K_i\) pamoja na \(K_d\) kwa mtiririko huwakilisha gains za proportional, integral na derivative. Chanzo kinaeleza kuwa gains hizi zimewekwa kwa njia ya empirical katika matumizi ya sasa kulingana na mwitikio wa dynamics wa mfumo wa mechatronic, na kwamba matumizi ya adaptive/self-tuning PID pamoja na fuzzy supervisor yanaweza kuwezekana baadaye.

Vekta ya ubora wa bidhaa

Mlinganyo (16):

\[ \mathbf{q}= [q_1,q_2,\ldots,q_m]^T \]

Vekta ya ubora inawakilisha sifa za bidhaa kama dimensional tolerances, structural integrity, functional performance, sifa za uzito na uwezo wa embedded intelligence.

Mlinganyo (17):

\[ \mathbf{q}_{min} \le \mathbf{q} \le \mathbf{q}_{max} \]

Ili bidhaa ya startup ikubalike kuwa inakidhi mahitaji ya kiufundi, viashiria vya ubora lazima vibaki ndani ya mipaka ya chini na ya juu iliyofafanuliwa.

Matrix ya vifaa hai

Mlinganyo (18):

\[ M_{AE_{ij}}= \begin{bmatrix} AE_{11}&AE_{12}&AE_{13}\\ AE_{21}&AE_{22}&AE_{23}\\ AE_{31}&AE_{32}&AE_{33} \end{bmatrix} \]

Katika chanzo, AE₁₁ huwakilisha crane-manipulator, AE₁₂ lathe ya kidijitali, AE₁₃ milling machine ya kidijitali, AE₂₁ radial drill ya kidijitali, huku seli nyingine zikiwakilisha vifaa vya kukata/kukunja/press na 3D printer ya vipande vya chuma.

Matrix ya hali za uendeshaji

Mlinganyo (19) hupanga hali za uendeshaji za ON_ij zinazohusiana na crane-manipulator AE₁₁ na lathe ya kidijitali AE₁₂ ndani ya matrix yenye safu nne. Baada ya matrix, chanzo huunganisha hali za uendeshaji na vigezo vya udhibiti x₁–x₇ kupitia mappings za mantiki zilizo wazi. Uhusiano huu unajumuisha hatua za positioning, kukaribia kipande, kufunguka/kufunga kwa gripper, kusogea juu, kusogea mbele kuelekea lathe na kufunga kipande.

Kwa kuwa mpangilio wa kuona wa sparse control matrix wa Mlinganyo (20) katika PDF ya chanzo hauhifadhi kwa kuaminika nafasi za alama wakati wa uchimbaji wa maandishi, haujapangwa upya hapa ili kuepuka kuunda usahihi wa bandia. Maudhui ya kisayansi yamehifadhiwa kupitia vigezo x₁–x₇, vekta ya matokeo y, vigezo 13 vya udhibiti na thamani za operesheni zilizotolewa katika Algorithm 1.

Algorithm 1 kwa crane-manipulator

Thamani hizi ni thamani zilizomo katika algoriti ya chanzo; hazijabadilishwa wala kupimwa upya na Verianla kwa kuzingatia uhalali wa kimwili.

Idadi ya vigezo vya udhibiti

Mlinganyo (21):

\[ N_{KMO}=\sum_{i,j}a_{ij}=13 \]

Chanzo kinaeleza kuwa kuna jumla ya vigezo 13 vya udhibiti kwa mlolongo wa operesheni za crane-manipulator.

Ulinganishaji wa vifaa vya udhibiti

Mlinganyo (22):

\[ T:x_i\mapsto Device(x_i), \qquad i=1,\ldots,7 \]

Katika chanzo, transmitter isiyogusana ya 5010SUG imehusishwa na x₁; sensa ya linear displacement ya optoNCDT 1420 na x₂, x₅, x₆ na x₇; udhibiti wa gripper wa mfululizo wa SS-G na x₃ pamoja na x₄; na kwa x₆ pia kipengele cha mwendo wa mstari mbele/nyuma cha SC-G.

Modeli ya state-space ya wakati wa discrete

Mlinganyo (23):

\[ x(i+1)=Ax(i)+Bu(i) \]

Mlinganyo (24):

\[ y(i)=Cx(i)+Du(i) \]

\(x(i)\) ni vekta ya hali ya modes za operesheni, \(u(i)\) ni viingizo vya udhibiti kama ishara za kuanza/kusimamisha na kasi, huku \(y(i)\) ikiwa matokeo yaliyopimwa kama displacement, kuinua mzigo na positioning. Matrix A, B, C na D hufafanua dynamics ya mfumo wa wakati wa discrete.

Mbinu na Matokeo ya Utafiti

Aina ya utafiti

Utafiti unaunganisha pendekezo la usanifu wa kinadharia na uundaji wa modeli za uchanganuzi pamoja na majaribio ya uigaji wa kompyuta. Hakuna jaribio la randomized katika kiwanda halisi, majaribio ya muda mrefu ya uwanjani au uthibitishaji wa prospective wa utendaji kwa kutumia data halisi za uendeshaji ulioripotiwa.

Mfumo halisi wa uzalishaji unaowakilishwa na uigaji

Seli ya mkusanyiko wa kimitambo iliyo katikati ya uigaji ni seli ya uzalishaji unaonyumbulika yenye crane-manipulator, mashine tatu za uchakataji, njia ya usafirishaji ya mviringo na blanking station. Uzalishaji umeundwa kwa modeli ya kusafirisha vipande vya kazi vya silinda kati ya mashine tofauti na kuvichakata kwa mfuatano.

Hitilafu zilizoigizwa

Katika chanzo, matukio yasiyotarajiwa yameundwa kama stochastic disturbance event. Haya yanajumuisha makosa ya muda ya sensa, mabadiliko ya chanzo cha nishati, ucheleweshaji wa mawasiliano, mikengeuko ya actuator na kasoro za kimuundo za uchakataji.

Kiwango cha kutokuwa na uhakika kiliundwa kwa kubadilisha uwezekano wa uamilishaji, muda na amplitude ya matukio ya hitilafu. Utafiti ulilinganisha hali nominal na senario zenye hitilafu za kimuundo, nishati, mawasiliano, vipimo na udhibiti.

Mbinu ya uigaji na uthibitishaji

Usanifu wa fuzzy inference na monitoring uliendeshwa katika mazingira ya uigaji wa kompyuta yenye uwezo wa kuwakilisha sensa za viwandani, mifumo midogo ya udhibiti, moduli za usafirishaji na shughuli za uzalishaji unaonyumbulika.

Modeli iliendeshwa kwa kurudia kwa viwango tofauti vya mtiririko wa kazi, mizigo ya vifaa na viwango vya kutokuwa na uhakika. Katika kila mzunguko, FIS ilitathmini hali ya sasa ya uendeshaji, ikazalisha uamuzi wa adaptive control na kusasisha hatua za supervisory control.

Uthibitishaji ulifanywa kwa kulinganisha muda wa uchakataji, kusawazisha mzigo, tabia ya kujibu hitilafu na usahihi wa kutathmini hali ya uzalishaji kati ya hali za kawaida na zilizoathiriwa.

Chanzo hakitoi toleo maalum la MATLAB/Simulink/Python, vifaa vya CPU/GPU, random number seed au jedwali kamili la parametric distribution kwa senario zote za stochastic. Kwa hiyo, baadhi ya maelezo ya utekelezaji yanakosekana kwa ajili ya uundaji upya wa kujitegemea unaolingana kabisa.

Ujumuishaji wa tabaka za maabara na uzalishaji

Katika usanifu uliopendekezwa, uthibitishaji wa kiutendaji katika hatua ya maabara na udhibiti wa ubora/uchunguzi katika hatua ya uzalishaji huunganishwa chini ya supervisory layer moja. Muundo huu unalenga kuhakikisha kuwa uhusiano kati ya data ya sensa, mipaka ya ubora na hali ya vifaa haukatiki wakati prototipu ya startup inapohama kutoka maabara ya utafiti kwenda kwenye njia ya uzalishaji.

Mbinu ya Human-in-the-loop

Utafiti haupendekezi mfumo wa uzalishaji unaojiendesha kikamilifu bila binadamu. Katika muktadha wa Industry 5.0, unatetea kwamba waendeshaji binadamu na wataalamu wa eneo waendelee kuwa ndani ya mfumo kwa ajili ya kutafsiri hali zisizo za kawaida, kuthibitisha maamuzi muhimu ya udhibiti, kubadilisha kimkakati malengo ya uzalishaji na kushughulikia senario zisizo na uhakika ambazo haziwezi kuonyeshwa kikamilifu kwa rule base.

Matokeo ya Uigaji Yalionyesha Nini Ikilinganishwa na Udhibiti wa Jadi wa Deterministic?

Kulingana na uigaji wa kompyuta ulioripotiwa katika chanzo, usanifu wa udhibiti wa fuzzy ulipunguza muda wa kuchakata maamuzi, hitilafu za mchakato, mzigo kupita kiasi na muda wa kujibu hali zisizo za kawaida ikilinganishwa na mbinu za jadi za deterministic/fixed-threshold supervisory, huku ukiongeza usahihi wa kutathmini hali ya uzalishaji na ufanisi wa jumla wa uendeshaji; hata hivyo, viwango hivi vilitokana na ulinganisho wa uigaji, si majaribio ya uwanjani katika kiwanda halisi.

Asilimia zote zimeripotiwa katika chanzo kama thamani za takribani. Kwa kuwa mfululizo wote ghafi wa majaribio/uigaji haukutolewa katika makala kwa mfumo wa jedwali, hakuna thamani mpya sahihi za mwanzo na mwisho zilizotokana na viwango hivi.

Ujumbe wa kisayansi wa Figure 9

Figure 9 ina paneli tatu tofauti. Panel (a) inalinganisha mfumo wa jadi na modeli ya fuzzy control katika viashiria mbalimbali vya utendaji. Panel (b) inaonyesha jinsi koefisienti ya mzigo inavyobadilika katika muda/mizunguko ya uzalishaji chini ya udhibiti wa jadi na wa fuzzy. Panel (c) inaonyesha mabadiliko ya hatari ya hitilafu yanayolingana na maeneo ya maamuzi ya process, adjust, reprocess na stop katika vigezo vya mfumo x₁–x₄.

Maandishi ya Sehemu 5.3 ya chanzo yanarejelea ulinganisho huu wa utendaji kama “Figure 6”; hata hivyo, Figure 6 inaonyesha usanifu wa udhibiti. Grafu ya utendaji ni Figure 9. Tofauti hii ya rejea ndani ya chanzo haijafichwa na Verianla.

Jukumu la kisayansi la Figure 4 na Figure 5

Figure 4 inaonyesha fuzzy membership functions kwa viingizo x₁–x₄ na vigezo vya matokeo. Figure 5 inaonyesha thamani ya centroid ya output function iliyounganishwa kuwa takribani 0,405. Michoro hii miwili kwa pamoja inaeleza mpito kutoka fuzzification hadi uamuzi mmoja wa udhibiti.

Jukumu la kisayansi la Figure 6 na Figure 7

Figure 6 inaonyesha uhusiano wa taarifa/usimamizi kati ya maabara ya utafiti, hatua ya maandalizi ya startup, modeli ya majaribio, vipengele vya vipimo na uchunguzi, moduli za uzalishaji unaonyumbulika, vitengo vya udhibiti vya ndani na mfumo mkuu wa otomatiki.

Figure 7 inaonyesha muundo wa feedback katika kipengele cha mechatronic cha startup kwa namna ya transmitter ya kipimo → PID controller → actuator → tathmini ya hali ya sasa → ufuatiliaji wa hali ya uendeshaji.

Jukumu la kisayansi la Figure 8

Figure 8 inaunganisha uzalishaji na mabadiliko kati ya crane-manipulator AE₁₁ na lathe ya kidijitali AE₁₂ na vigezo vya udhibiti x_i pamoja na tokeo la ubora y. Mara tu chini ya mchoro, Algorithm 1 hufafanua kwa nambari vigezo vikuu vya nafasi, kasi, gripper na mzigo vinavyotumiwa katika mabadiliko haya.

Nguvu za utafiti

• Kushughulikia maabara ya utafiti na njia ya uzalishaji ndani ya usanifu mmoja wa otomatiki.
• Kuunda modeli ya kutokuwa na uhakika si kwa vizingiti thabiti pekee, bali pia kwa fuzzy membership na rule base.
• Kuunganisha sensa, FIS, PID na udhibiti wa ubora wa uzalishaji katika mnyororo mmoja wa kihisabati.
• Kutathmini hitilafu za kimuundo, nishati, vipimo na udhibiti kama viingizo tofauti.
• Kufafanua kwa kina senario ya crane-manipulator kwa vifaa mahususi na vigezo vya mwendo.
• Kudumisha muundo wa human-in-the-loop katika muktadha wa Industry 5.0 badala ya kumwondoa mtaalamu binadamu kwenye mfumo.
• Kutoa tathmini ya uigaji inayolinganisha hali za kawaida na zilizoathiriwa.

Mapungufu ya utafiti

• Matokeo ya utendaji yanategemea uigaji wa kompyuta; uthibitishaji wa kiwango kikubwa katika teknolojia parki halisi bado haujawasilishwa.
• Usahihi wa modeli ya fuzzy mwanzoni unategemea ubora wa rule base na mipaka ya uanachama iliyofafanuliwa na wataalamu.
• Idadi ya vigezo inapoongezeka sana, ukubwa wa fuzzy rule base unaweza kuongezeka kwa haraka na gharama ya kukokotoa inaweza kuwa tatizo.
• Chanzo hakifafanui programu/toleo maalum la uigaji wala jukwaa la vifaa.
• Ingawa mantiki ya jumla ya kuunda senario za hitilafu za stochastic imeelezwa, vigezo vyote vya distribution, thamani za seed na mipangilio kamili ya kurudia kwa kila hali ya majaribio hazijachapishwa.
• Asilimia za utendaji zilizoripotiwa ni thamani za takribani za uigaji; si vipimo vya kutegemewa kwa muda mrefu au faida ya kiuchumi katika njia halisi ya uzalishaji wa viwandani.
• Ujifunzaji wa kiotomatiki wa fuzzy membership functions haujatekelezwa katika mfumo wa sasa.

Hitimisho zinazoungwa mkono na utafiti

• Usanifu uliopendekezwa unaotegemea FIS unaweza kuzalisha maamuzi ya udhibiti ya hatua kwa hatua chini ya kutokuwa na uhakika katika uigaji.
• Hitilafu za kimuundo, nishati, vipimo na udhibiti zinaweza kutathminiwa ndani ya modeli moja ya maamuzi.
• Ugawaji upya wa rasilimali kwa njia ya dynamic kati ya moduli ulitoa matokeo ya uigaji yanayopunguza mzigo kupita kiasi.
• Udhibiti wa fuzzy ulitoa matokeo bora katika metriki mbalimbali za utendaji katika uigaji ikilinganishwa na ulinganisho wa jadi wa deterministic.
• Uthibitishaji wa maabara na udhibiti wa uzalishaji vinaweza kuunganishwa kihisabati chini ya supervisory architecture moja.
• Crane-manipulator, machine tools na mfumo wa usafirishaji vilidhibitiwa kwa uratibu katika mazingira ya uigaji.

Hitimisho ambazo utafiti hauungi mkono

• Haijaonyeshwa kwamba mfumo uliopendekezwa utatoa utendaji kwa asilimia zilezile katika teknolojia parki zote halisi.
• Thamani za ≈ %19, ≈ %27, ≈ %23, ≈ %33 na ≈ %17 si vipimo vya uwanjani katika kiwanda halisi.
• Faida ya kiuchumi ya uwekezaji katika mfumo haijathibitishwa kwa gharama halisi za uendeshaji.
• Neuro-fuzzy learning, reinforcement learning, digital twin na self-tuning PID si vipengele vilivyotekelezwa katika majaribio ya sasa; ni mapendekezo ya utafiti wa baadaye.
• Modeli haijathibitishwa kama mfumo wa Industry 5.0 unaojiendesha kikamilifu na usiotegemea mtaalamu binadamu.
• Uwezo wa kujumlisha moja kwa moja kwa nchi nyingine mahususi, teknolojia parki au mtandao wa uzalishaji haujaonyeshwa kwa majaribio.

Utafiti wa baadaye

Waandishi wanapendekeza kupanua modeli kwa machine learning na data mining, kujifunza neuro-fuzzy membership functions kutoka data za wakati halisi za Industrial Internet of Things, kujenga msaada wa maamuzi usio wa kati kwa distributed artificial intelligence na edge computing, na kuunganisha modeli za digital twin za vifaa vya uzalishaji kwenye mfumo.

Mielekeo mingine ya utafiti wa baadaye ni pamoja na reinforcement learning, adaptive self-tuning control, uchambuzi wa kutabiri uchakavu wa vifaa na utekelezaji katika ulimwengu halisi kwenye mitandao mikubwa zaidi ya uzalishaji wa Industry 5.0.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: Automation of the Control Process of the Research and Flexible Production Areas of the Technopark.

Waandishi: José Ramón Trillo; Javanshir Mammadov; Yusif Huseynov; Matanat Ahmadova; Aysel Eminova.

Mwandishi wa mawasiliano: José Ramón Trillo.

Taasisi 1: Department of Computer Science and Systems Engineering, University of Zaragoza, Zaragoza, Spain.

Taasisi 2: Department of Process Automation, Faculty of Engineering, Sumgayit State University, Sumgayit, Azerbaijan.

Taasisi 3: Department of Automation and Mechanics, Azerbaijan University of Technology, Ganja, Azerbaijan.

Taasisi 4: Department of Management, Azerbaijan University of Technology, Ganja, Azerbaijan.

Jarida: AI.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / makala: 7(5), 173.

DOI: 10.3390/ai7050173.

Aina ya makala: Article; utafiti wa uhandisi/udhibiti unaojumuisha uundaji wa modeli za kihisabati na majaribio ya uigaji wa kompyuta.

Tarehe: Ilipokelewa 15 Machi 2026; marekebisho 07 Mei 2026; ilikubaliwa 14 Mei 2026; ilichapishwa 19 Mei 2026.

Leseni: Creative Commons Attribution (CC BY).

Mapitio ya wenzao: Ni makala ya jarida la MDPI iliyochapishwa; ukurasa rasmi wa uchapishaji una kiungo cha review reports.

Ufadhili: Waandishi waliripoti kuwa utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Haitumiki.

Ridhaa yenye taarifa: Haitumiki.

Upatikanaji wa data: Waandishi walieleza kwamba data zinaweza kupatikana kwa ombi kutoka kwa mwandishi wa mawasiliano kwa sababu za usiri/vikwazo.

Mgongano wa maslahi: Waandishi walitangaza kwamba hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana Yusif Huseynov na Javanshir Mammadov; methodology José Ramón Trillo, Yusif Huseynov na Aysel Eminova; software José Ramón Trillo na Yusif Huseynov; validation Javanshir Mammadov, Aysel Eminova, Yusif Huseynov na Matanat Ahmadova; formal analysis José Ramón Trillo na Yusif Huseynov; investigation Yusif Huseynov, Javanshir Mammadov na Matanat Ahmadova; resources Javanshir Mammadov na Aysel Eminova; data curation Yusif Huseynov; original draft José Ramón Trillo na Aysel Eminova; review-editing José Ramón Trillo, Javanshir Mammadov, Yusif Huseynov na Matanat Ahmadova; visualization José Ramón Trillo; supervision Javanshir Mammadov; project administration ilifanywa na Javanshir Mammadov na Aysel Eminova.

Kizuizi kikuu cha kimetodolojia: Matokeo ya utendaji wa kiasi katika utafiti yanategemea uigaji. Chanzo bado hakionyeshi utekelezaji wa muda mrefu wa uwanjani wa mfumo uliopendekezwa katika teknolojia parki halisi ya kiwango kikubwa.

Maelezo ya rejea ndani ya chanzo: Sehemu 5.3 inaunganisha ulinganisho wa utendaji na Figure 6; ukaguzi wa maudhui ya kuona unaonyesha kuwa ulinganisho husika wa utendaji uko katika Figure 9. Figure 6 ni usanifu wa otomatiki wa maeneo ya utafiti na uzalishaji unaonyumbulika.

Maelezo ya kifupi: Chanzo kinatumia usemi “GPS system” katika muktadha wa mfumo wa mkusanyiko wa kimitambo na uzalishaji wa teknolojia parki, lakini kwa kuwa PDF haifafanui kwa kuaminika umbo kamili la kifupi hicho, Verianla haitengenezi upanuzi mpya wa kifupi hicho.

Maelezo ya reproducibility: Chanzo kinatoa maelezo ya jumla ya uigaji wa kompyuta na fuzzy-model simulation environment; hakiripoti programu/toleo maalum, vifaa, random seed wala ufafanuzi kamili wa parametric wa senario zote za disturbance.

Maelezo ya usimuliaji upya wa Verianla: Maandishi haya si tafsiri kamili ya makala asilia wala uandishi upya wa kiwango cha sentensi-kifungu. Kwa kuhifadhi ufafanuzi wa tatizo, usanifu wa modeli, milinganyo ya kihisabati, mahusiano ya kialgoriti, matokeo ya nambari ya uigaji, majukumu ya kisayansi ya michoro na mapungufu ya chanzo, safu huru ya elimu ya sayansi kwa Kiswahili imeundwa. Nakala za pikseli za michoro ya chanzo hazikutumiwa.